論文の概要: Learning Adaptive Multi-Task Guidance, Navigation, and Control via Hypernetworks

• arxiv url: http://arxiv.org/abs/2607.24292v1
• Date: Mon, 27 Jul 2026 11:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.403553
• Title: Learning Adaptive Multi-Task Guidance, Navigation, and Control via Hypernetworks
• Title（参考訳）: Hypernetworksによる適応型マルチタスク誘導・ナビゲーション・制御の学習
• Abstract要約: HYPER-GNCは自律飛行ロボットのためのマルチタスク強化学習フレームワークである。 物理インフォームドタスクの埋め込みを、共有アクター批判ポリシーの重みにマッピングする。 実験により、HYPER-GNCはシングルタスクの専門家に匹敵するサンプル効率を達成することが示された。
• 参考スコア（独自算出の注目度）: 5.936743269468451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous free-flying robots in orbital environments require controllers that are both versatile and resource-efficient, yet maintaining a separate, task-specific policy for each mission profile is architecturally brittle and limits operational flexibility as requirements evolve. We introduce HYPER-GNC, a multi-task reinforcement learning framework in which a hypernetwork maps physics-informed task embeddings to the weights of a shared actor-critic policy, enabling a single compact controller to master four distinct GNC tasks: velocity tracking, docking, inspection, and navigation with obstacle avoidance. The continuous embedding space allows the controller to generalize to novel mission configurations at deployment time without any retraining. Extensive experiments demonstrate that HYPER-GNC achieves sample efficiency comparable to single-task specialists while maintaining stability under significant inertial perturbations and external body wrenches. We further validate the framework on a physical satellite emulator, successfully bridging the simulation-to-reality gap across all mission profiles. Code, trained models, and deployment scripts are made publicly available to support reproducibility.
• Abstract（参考訳）: 軌道環境における自律的な自由飛行ロボットは、汎用性と資源効率の両方を必要とするが、各ミッションプロファイルに対する個別のタスク固有のポリシーはアーキテクチャ的に不安定であり、要求が進化するにつれて運用上の柔軟性を制限している。 ハイパーネットワークが物理インフォームドタスクの埋め込みを共有アクター批判ポリシーの重みにマッピングするマルチタスク強化学習フレームワークHYPER-GNCを導入し、単一のコンパクトコントローラが障害物回避による速度トラッキング、ドッキング、検査、ナビゲーションの4つの異なるGNCタスクをマスターできるようにする。 継続的な埋め込みスペースにより、コントローラは再トレーニングすることなく、デプロイ時に新しいミッション構成に一般化することができる。 HYPER-GNCは、大きな慣性摂動と外体レンチの下で安定性を維持しながら、シングルタスクスペシャリストに匹敵するサンプル効率を達成することを示した。 さらに、物理衛星エミュレータの枠組みを検証し、すべてのミッションプロファイルのシミュレーションと現実のギャップを埋めることに成功した。 コード、トレーニングされたモデル、デプロイメントスクリプトは、再現性をサポートするために公開されています。

関連論文リスト

• VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
  Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。 まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。 第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
  論文  参考訳（メタデータ） (2026-06-08T09:52:55Z)
• Current state of the multi-agent multi-view experimental and digital twin rendezvous (MMEDR-Autonomous) framework [0.0]
  マシンラーニングベースのメソッドをガイダンス、ナビゲーション、コントロールアーキテクチャに統合して、堅牢なランデブーおよびドッキングフレームワークを設計することができる。 MMEDR-Autonomousは、学習ベースの光ナビゲーションネットワーク、開発中の強化学習ベースのガイダンスアプローチ、ループ内テストベッドからなる統合フレームワークである。 MMEDR-Autonomousフレームワークは現在、マルチエージェントランデブーシナリオにおける統合的な検証に向けて進んでいる。
  論文  参考訳（メタデータ） (2026-03-21T00:13:54Z)
• CORAL: Scalable Multi-Task Robot Learning via LoRA Experts [49.759823970016974]
  実世界のロボット工学におけるビジョン・ランゲージ・アクション(VLA)モデルは、コアマルチタスク学習の課題を露呈する。 タスク毎に個別の完全なチェックポイントを維持することは、しばしばストレージとデプロイメントの禁止である。 主にマルチタスク干渉を軽減するために設計されたバックボーンおよび非依存のフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2026-03-10T07:28:41Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• Multi-Task Reinforcement Learning of Drone Aerobatics by Exploiting Geometric Symmetries [11.44697957422778]
  GEAR(Geometric Equivariant Aerobatics Reinforcement)は様々なエアロバティックタスクで98.85%の成功率を達成した。 実世界の実験において、GEARは複数の操作の安定した実行と、基本的な運動プリミティブを組み合わせて複雑なエアロバティクスを完成させる能力を示す。
  論文  参考訳（メタデータ） (2026-02-11T16:21:48Z)
• PILOT: A Perceptive Integrated Low-level Controller for Loco-manipulation over Unstructured Scenes [18.916978556216097]
  PILOTは知覚的ロコ操作に適した単段階強化学習フレームワークである。 知覚的な移動と1つのポリシー内での全身制御をシナジー化する。 PILOTは、既存のベースラインと比較して、安定性、コマンド追跡精度、地形トラバーサビリティが優れている。
  論文  参考訳（メタデータ） (2026-01-24T12:25:20Z)
• ThanoRA: Task Heterogeneity-Aware Multi-Task Low-Rank Adaptation [96.86211867758652]
  Low-Rank Adaptation (LoRA) は、基礎モデルの下流の微調整に広く採用されている。 タスク不均一性を考慮したマルチタスク低ランク適応フレームワークであるTanoRAを提案する。
  論文  参考訳（メタデータ） (2025-05-24T11:01:45Z)
• Task and Domain Adaptive Reinforcement Learning for Robot Control [0.34137115855910755]
  課題や環境条件に応じて動的にポリシーを適応する新しい適応エージェントを提案する。 このエージェントはIsaacGym上に作られたカスタムで高度に並列化されたシミュレータを使って訓練されている。 実世界において、さまざまな課題を解くために、飛行飛行のためにゼロショット転送を行う。
  論文  参考訳（メタデータ） (2024-04-29T14:02:02Z)
• Controllable Dynamic Multi-Task Architectures [92.74372912009127]
  本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。 本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
  論文  参考訳（メタデータ） (2022-03-28T17:56:40Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。